Perché i PDF scansionati sono così grandi

Una lettera di cinque pagine scritta in un elaboratore di testi ed esportata in PDF di solito sta sotto i 200 KB. Le stesse cinque pagine, stampate, firmate e riscansionate, arrivano senza sforzo a 15 MB: settantacinque volte tanto per un documento che contiene esattamente le stesse parole. Non è andato storto nulla; semplicemente i due file non sono lo stesso tipo di oggetto. Uno contiene istruzioni di testo e un font. L'altro contiene cinque fotografie di carta. Nel momento in cui vedete una scansione come un album fotografico e non come un documento, ogni suo comportamento diventa prevedibile: perché è enorme, perché non potete cercarci dentro, perché convertirla in Word non produce nulla e perché si comprime meglio di qualsiasi altro file abbiate.

Da dove vengono i megabyte

Tre impostazioni dello scanner si moltiplicano tra loro. La prima è la risoluzione: una pagina A4 a 300 punti per pollice sono circa 2480 per 3508 pixel, quasi 8,7 milioni. Salite a 600 dpi e diventano quasi 35 milioni: quattro volte i dati per un dettaglio che nessuno schermo mostrerà e di cui nessuna stampante ha bisogno per il testo comune. La seconda è la profondità di colore: il colore pieno memorizza tre valori per pixel, la scala di grigi uno e il bianco e nero puro un solo bit. Scansionare a colori una pagina di inchiostro nero su carta bianca triplica quindi i dati grezzi prima della compressione e non vi restituisce nulla se non una tinta beige spenta dove c'era la carta. La terza è la codifica scelta dallo scanner: se salva le pagine senza perdita, ogni granello di polvere e ogni fibra della carta vengono conservati byte per byte, e il rumore della carta stessa diventa una parte consistente del vostro file.

Quanto costa la texture della carta

Quest'ultimo punto sorprende. La compressione funziona trovando ripetizioni, e un campo di bianco pulito si comprime quasi a nulla. Ma una pagina bianca scansionata non è bianca: sono migliaia di valori quasi bianchi leggermente diversi, prodotti dalla grana della carta, dalla variazione della lampada e dal rumore del sensore. Per un compressore senza perdita quel campo è dettaglio imprevedibile e va conservato esattamente, quindi una pagina vuota costa megabyte veri. Scansionare in scala di grigi invece che a colori aiuta, e scansionare nella modalità testo o di rimozione del retino che offrono quasi tutti i driver aiuta di più, perché quelle modalità appiattiscono i valori quasi bianchi al bianco prima ancora che la pagina venga codificata. Se vi siete mai chiesti perché la scansione di un foglio vuoto pesa più di un documento di testo di quaranta pagine, il motivo è questo.

Perché non potete cercare né convertire

Una pagina scansionata non contiene alcun livello di testo. Non ci sono glifi né codici di carattere, solo pixel a forma di lettera. La funzione di ricerca del lettore non trova nulla, il pulsante copia non seleziona nulla e un convertitore da PDF a Word produce onestamente un documento vuoto. L'unico modo di aggiungere testo è il riconoscimento ottico dei caratteri, che esamina i pixel e indovina i caratteri. L'OCR moderno è buono su pagine stampate, pulite e dritte, e poco affidabile con la scrittura a mano, le copie sbiadite, i timbri, le tabelle e tutto ciò che è fotografato di sbieco. Inoltre fallisce in silenzio: un carattere sbagliato ma sicuro di sé appare identico a uno giusto, quindi l'output di un OCR su qualcosa che conta è una bozza da rileggere, non testo recuperato.

Salvare un file che vi hanno già mandato

Di solito non potete riscansionare il documento di qualcun altro, quindi la soluzione pratica è la ricodifica. È il caso in cui la compressione brilla, perché una scansione è puro dato immagine e il dato immagine è esattamente ciò che un compressore sa rifare. Nelle nostre misure un documento scansionato di dodici pagine è sceso da 17,69 MB a 1,49 MB — il 91,6 per cento — restando perfettamente leggibile a schermo. Un risultato del genere è normale sulle scansioni e irraggiungibile sui documenti di testo, che non hanno nulla di paragonabile da dare. Controllate il risultato a zoom pieno e non come miniatura, e guardate in particolare i segni più piccoli della pagina: una firma, un timbro, una nota a piè di pagina, un'annotazione a mano. Se sopravvivono, il file va bene.

Fare bene già allo scanner

Quando la scansione è vostra, le impostazioni che contano sono semplici. Usate 300 dpi per i documenti che potreste dover ingrandire o passare all'OCR più avanti, e 200 dpi per le scartoffie quotidiane; i 600 dpi sono per fotografie e disegni fini, non per una fattura firmata. Usate la scala di grigi a meno che il colore non porti informazione: un timbro colorato, una clausola evidenziata, un grafico. Lasciate che il driver salvi in JPEG dentro il PDF invece che senza perdita, se vi dà la scelta, e attivate il raddrizzamento automatico e la rimozione delle pagine bianche. La fotocamera del telefono è uno scanner legittimo nella fretta, ma fotografate la pagina in piano, con luce uniforme e riempiendo l'inquadratura, e usate un'app di scansione che corregga la prospettiva invece della fotocamera normale, perché una pagina ripresa di sbieco manda in crisi l'OCR e appare trascurata.

Quando pesare tanto è la risposta giusta

Non ogni scansione grande è un errore. La digitalizzazione di manoscritti, disegni tecnici, immagini mediche e di tutto ciò che ha valore legale si fa deliberatamente ad alta risoluzione, a colori e senza perdita, proprio perché l'informazione buttata oggi non si recupera domani. La regola è chiedersi chi legge il file e quanto deve durare. Una scansione mandata questo pomeriggio a un collega deve essere piccola e leggibile. La scansione di un atto di proprietà da conservare trent'anni deve essere grande e fedele, e la copia che spedite per e-mail deve esserne un derivato compresso, non l'archivio stesso. Tenere entrambi, quando il documento lo merita, costa un po' di disco e chiude la questione definitivamente.

Un modo rapido per diagnosticare qualsiasi file

Se non sapete che tipo di PDF avete, due prove da cinque secondi risolvono. Provate a selezionare una frase con il cursore: se si evidenzia l'intera pagina come un blocco, è un'immagine e avete una scansione. Poi confrontate la dimensione con il numero di pagine: un documento che supera il mezzo megabyte per pagina è pesante di immagini quasi senza eccezioni. Questi due controlli vi dicono subito se la compressione aiuterà in modo drastico, se l'estrazione del testo funzionerà del tutto e se in realtà dovreste chiedere al mittente il file digitale originale, che molto spesso è la soluzione più rapida di tutte.